ISP模块之RAWDATA去噪（⼆）--BM3D算法 在正式开始本篇⽂章之前，让我们⼀起回顾⼀下CFA图像去噪的⼀些基本思路与⽅法。接着我会详细地和⼤家分享⾃⼰学习理解的BM3D，操作过程，它的优缺点，最后会给出算法效果图供参考。 得得鲁传承鲁文化
在ISP模块⾥，研究者们会讨论去噪模块(Noise Reduction)到底是在去马赛克模块(Demosaic)之前还是之后进⾏。如果在之前处理的话，随着去噪过程的进⾏，噪声点消除的同时，伴随着彩⾊信息的损失；如果在之后，复杂的插值过程将会改变噪声的统计模型，使其变得很复杂并且难以计算。所以，更多的情况是选择在Demosaic之前进⾏去噪操作。 CFA(Color Filter Array) Data不能采⽤传统的灰度图像去噪算法，因为CFA图像中相邻的像素点具有不同的颜⾊信息度
量，CFA图像的块状结构与没有传统意义上的平滑性以及分段恒常性，以⾄于⼀般的去噪算法对CFA图像并不适⽤。CFA Data也不能够采⽤彩⾊图像去噪算法因为每个像素点只含有⼀个颜⾊通道的信息。
①⼀种⽅法是，将原来的CFA图像阵列分成四⼩块(R,G1,G2,B)，分别对这四块采⽤灰度图像去噪的⽅法。这种⽅法往往表现差，因为重要的⾊彩相关性信息被忽视掉了。CFA去噪算法可以通过利⽤CFA Data的空间以及⾊彩相关性来改善其效果。②另外⼀种⽅法是利⽤CFA图像⾥⾯各颜⾊块的信息构造⼀沃克环流
幅低分辨率的RGB图像，这种⽅式很好的利⽤了其颜⾊相关信息，但是不能够较好的保护空间域上的⾼频信息。
③BM3D(Block Matching 3-D filtering algorithm)算法的提出，通过限制图像块具有相同的颜⾊配置结构来达到处理CFA图像的⽬的。
下⾯是BM3D算法的详细介绍：
1).逐块估计(Block-wise estimates)
分组(Grouping)，到所有与⽬前处理图像块相似的块，把它们堆在⼀起形成⼀个3维的数组(分组)。 联合硬阈值(Collaborative Hard-Thresholding).对已经组织好的分组进⾏3D变换，通过硬阈值3D变换系数达到减弱噪声的⽬的，然后通过3D反变换回去得到分组内图像块的去噪后估计，并返回到它们之前所在的位置。
2).聚集(Aggregation) 对所估计图像块重复遮盖的像素点进⾏加权平均，得到最终的像素值，也就是最后的基础估计结果。
2.最终估计
1).逐块估计(Block-wise estimates)
理念识别分组(Grouping)，使⽤图像块匹配的⽅法，到原噪声图像以及基础估计图像⾥⾯与⽬前处理图像块相似的所有块，形成两个3维数组(分组)。
联合维纳滤波(Collaborative wiener-filtering).对已经组织好的两个分组进⾏3D变换，将基础估计图像的能量频谱作为真实的能量频谱对噪声图像分组进⾏维纳滤波，然后通过3D反变换回去得到所有分组的图像块估计，并返回到它们之前所在的位置。
2).聚集(Aggregation)
质点运动学
对所有得到的估计图像块重复遮盖的像素点进⾏加权平均，得到最终的像素值，也就是最后的最终估计结果。
BM3D如何到相似图像块组织3D分组：如下图所⽰，正⽅形所⽰为各个图像块，左上的分组所选取的图像块都具有⾓点(尖点)特征，其他分组类似。
BM3D如何在CFA中进⾏处理：如下图所⽰，左边的分组⾥⾯的图像块具有不同的彩⾊配置，即R,G,B的排列⽅式不是⼀致的，⽽右边具有相同的彩⾊配置，所以其对于处理CFA图像是⾮常合理的。
上⾯将BM3D的算法原理以及细节操作都跟⼤家介绍清楚了，下⾯就来看⼀下BM3D对于CFA图像的算法效果：
原噪声图像
网络采集中值滤波图像
BM3D去噪图像
算法效果（PSNR）明显优于中值滤波，去噪模块就此结束，下⼀篇开始给⼤家介绍两种⾊彩增强的算法。BM3D⽹上有现成的Matlab代码，算法链接⽹址：
参考⽂献:
HDCP
1).A case for denoising before demosaicking color fiter array data,Sung Hee Park etc.
2).A Framework for wavelet-based analysis and processing of color filter array images with applications to denoising and demosaicing,Hirakawa etc.Havard University.
3).Cross-color BM3D Filtering of Noise Raw Data,Aram Danielyan etc.
豫公网安备41160202000603
站长QQ:729038198
关于我们
投诉建议